数据并行

H.T.关于并行结构的论文

PostgreSQL并行控制机制：MVCC、2PL、封锁。

绿松石数据库 Greenplum 的并行能力真不是吹的，搞大数据的时候用它，响应也快，数据量再大也扛得住。它基于MPP 架构，多个节点一起干活，适合做大规模的数据仓库和任务。 安装 Greenplum 稍微复杂点，不过也不算太难。你得先检查服务器配置，像内存、磁盘、操作系统这些都得符合要求。装些依赖包，比如GCC、OpenSSL、Perl啥的，解压软件包，按文档配好环境变量，跑初始化脚本，整个流程挺标准。 Greenplum 扩容这块做得还挺智能的。你可以直接加Segment 节点，分分钟就能把能力拉上去。只要新服务器配置跟得上，改改配置文件，用gprecoverseg同步一下数据，再启动新节

MPI并行实现WARSHALL算法

rparallel3 m文件函数，用于并行计算n个电阻器的总电阻。

数据库技术的进步、数据挖掘应用的兴起、生物基因技术的不断发展以及历史数据规模的爆炸式增长, 都对高性能计算提出了更高的要求。虽然分布式系统可以部分解决大型计算问题, 但是其通信开销大、故障率高、数据存取结构复杂且开销大、数据安全性和保密性难以控制等问题依然存在。而计算机处理器, 特别是GPU技术的快速发展, 为高性能数据并行计算提供了新的解决方案。

今天的软件并行程序开发工具与硬件潜力之间存在着一个巨大的软件鸿沟。这些工具需要程序员手动干预以实现代码的并行化。编写并行计算程序需要对目标算法或应用程序进行深入研究，比传统的顺序编程更为复杂。程序员必须了解算法或应用程序的通信和数据依赖关系。本书提供了探索为特定应用程序编写并行计算程序的技术。

Oracle SQL 的并行查询笔记还挺实用的，尤其是对性能卡顿比较敏感的项目来说，手动控制并行度比交给优化器靠谱多了。你可以直接在语句里加 /*+parallel(table_name, n)*/ 来指定线程数，用起来也蛮灵活，像查表、插入、多表联查全都能加速。还有一些小技巧，比如 NVL 系列函数、NULLS LAST 排序选项，日常开发中用得也不少。嗯，如果你是经常写 SQL 的前端或者后端，这份整理真值得收藏一下。

MapReduce 的并行机制挺适合搞大数据的，是在 Hadoop 环境下用 Java 来写那套流程，虽然一开始有点门槛，但搭配 Maven 其实也不复杂。像Mapper和Reducer这两个核心类，你写过一次就知道套路了。要注意字符编码问题，中文数据时常会碰到乱码，记得下 byte 到字符串的转换。嗯，还有，依赖管理交给 Maven 挺省心的，配置好pom.xml，各种 Hadoop 相关包都能拉得稳稳的。

详细解析如何优化Oracle10g的并行查询，内容涵盖全面且深入。